Purify++: Improving Diffusion-Purification with Advanced Diffusion Models and Control of Randomness
Peking University(北京大学)
本文通过改进扩散模型、数值模拟和随机性控制提出Purify++,成为当前最优的对抗净化方法,并系统探索了扩散净化的极限。
2023-10-28 cs.CR cs.LG
ADBM: Adversarial diffusion bridge model for reliable adversarial purification
Tsinghua University(清华大学);Peking University(北京大学);Beijing Institute of Technology(北京理工大学);Aalborg University(奥尔堡大学);Harbin Institute of Technology, Weihai(哈尔滨工业大学(威海));Huawei Technologies(华为技术有限公司)
针对现有DiffPure对抗净化方法存在性能权衡、评估可靠性不足的问题,提出构建反向扩散桥的ADBM模型,经理论和实验验证其防御性能更优鲁棒性更强,具备实际应用潜力。
2025-03-19 cs.AI cs.CV cs.LG
Guided Diffusion Model for Adversarial Purification from Random Noise
Yuanpei College(元培学院);Peking University(北京大学)
在本文中,我们提出了一种新的引导扩散净化方法,以提供一个强大的防御对抗攻击。在CIFAR-10数据集上,我们的模型在PGD-L_inf攻击(eps = 8/255)下达到了89.62%的鲁棒准确率。我们首先探讨无指导的扩散模型和随机平滑之间的基本相关性,使我们能够将模型应用于认证的鲁棒性。实验结果表明,当认证的L2半径r大于0.5时,我们的模型优于随机平滑5%。
2022-06-22 cs.CR cs.LG
Deceptive Diffusion: Generating Synthetic Adversarial Examples
School of Mathematics, University of Edinburgh(爱丁堡大学数学学院);School of Computing Science, University of Glasgow(格拉斯哥大学计算科学学院)
本文提出欺骗性扩散概念,训练生成式AI直接产生任意数量的对抗图像,可用于大规模增强防御训练,并揭示了扩散模型在部分训练数据被隐秘毒化时会按比例生成误导输出的新脆弱性。
2024-06-28 cs.AI cs.LG
DiffDefense: Defending against Adversarial Attacks via Diffusion Models
University of Florence(佛罗伦萨大学)
本文提出DiffDefense,利用Diffusion Models在无需修改分类器的前提下防御对抗攻击,克服了扩散模型逆向过程慢的缺陷,在保持干净准确率、速度和即插即用兼容性的同时实现了鲁棒防御。
2023-09-07 cs.CR cs.CV cs.LG
Diffusion-Reward Adversarial Imitation Learning
National Taiwan University(台湾大学);National Yang Ming Chiao Tung University(国立阳明交通大学);NVIDIA(英伟达)
针对生成对抗模仿学习(GAIL)训练脆弱不稳定的问题,提出扩散奖励对抗模仿学习(DRAIL),将扩散模型集成到GAIL中构建增强判别器并设计扩散奖励,在多任务实验中验证了其有效性、泛化能力和数据效率,能生成更稳健平滑的奖励。
2024-11-26 cs.AI cs.LG cs.RO
Diffusion-based Adversarial Purification for Intrusion Detection
Polytechnique Montréal(蒙特利尔理工学院);IRT SystemX
本文针对入侵检测中对抗样本的挑战,首次证明了扩散模型在网络入侵检测中净化对抗样本的有效性,通过全面分析扩散参数确定了最优配置,并揭示了扩散噪声与扩散步数之间的关系。
2024-06-25 cs.AI cs.CR cs.LG
AdvDiff: Generating Unrestricted Adversarial Examples using Diffusion Models
The Hong Kong Polytechnic University(香港理工大学)
针对现有无限制对抗攻击方法生成样本不真实、缺乏理论支撑的问题,提出AdvDiff方法,通过两种对抗引导技术在扩散模型逆向生成过程中实现对抗采样,在攻击性能和生成质量上超越现有最优方法。
2024-07-14 cs.CV cs.LG
TARO: Temporal Adversarial Rectification Optimization Using Diffusion Models as Purifiers
Department of Computer Science(计算机科学系);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
TARO通过构建时序引导的分数先验,结合多视角去噪,实现对抗样本的鲁棒修正与语义保留,提升零样本下的鲁棒性。
2026-05-08 cs.CV cs.LG
Diffusion Models for Adversarial Purification
NVIDIA(英伟达);Caltech(加州理工学院)
对抗性净化是指一类使用生成模型去除对抗性扰动的防御方法。这些方法不对攻击的形式和分类模型进行假设,因此可以保护预先存在的分类器免受不可见的威胁。然而,他们的表现目前落后于对抗性训练方法。在这项工作中,我们提出了DiffPure,它使用扩散模型进行对抗性净化:给定一个对抗性的例子,我们首先在前向扩散过程后用少量噪声对其进行扩散,然后通过反向生成过程恢复干净的图像。为了以有效和可扩展的方式评估我们的方法对抗强自适应攻击,我们建议使用伴随方法来计算反向生成过程的全梯度。在CIFAR-10、ImageNet和CelebA-HQ三个图像数据集上进行的大量实验表明,我们的方法实现了最先进的结果,优于当前的对抗性训练和对抗性纯化方法。项目页面:https://diffpure.github.io。
2022-05-16 cs.CR cs.CV cs.LG
Active Adversarial Evader Tracking with a Probabilistic Pursuer under the Pursuit-Evasion Game Framework
给定一个映射的环境中,我们制定的问题,视觉跟踪和以下的逃避者使用概率框架。在这项工作中,我们考虑一个非完整机器人有限的能见度深度传感器在室内环境中的障碍物。跟踪目标的移动机器人被认为是追踪者,而被跟踪的智能体被认为是逃避者。我们提出了一个概率框架的追求者和逃避者,以实现其相互冲突的目标。我们引入一个智能逃避者,它有关于追踪者位置的信息。该躲避器变体的目标是通过使用从追踪器获得的可见区域信息来避免被追踪器追踪,以进一步挑战所提出的智能追踪器。为了验证该框架的效率,我们进行了几个实验,在模拟中使用Gazebo和评估的成功率跟踪逃避者在各种环境中具有不同的追求者,逃避速度比。通过我们的实验,我们验证了我们的假设,一个聪明的追求者跟踪一个逃避者更有效地比一个追求者,只是在环境中随机导航。我们还验证了一个逃避者,是知道的追求者的行动是更成功地避免跟踪一个聪明的追求者比随机逃避者。最后,我们的经验表明,虽然一个聪明的追求者不增加它的平均成功率跟踪相比,一个随机的追求者,有一个增加的方差在其成功率分布时,逃避者意识到自己的行动。
2019-04-19 cs.AI cs.RO
Generating Adversarial Point Clouds Using Diffusion Model
针对现有3D点云黑盒对抗攻击效果差的问题,提出一种基于3D扩散模型的黑盒攻击方法,以点云压缩特征为引导生成对抗点,提升了攻击成功率与隐蔽性。
2025-07-25 cs.AI cs.CR cs.LG
Exploring Adversarial Attacks against Latent Diffusion Model from the Perspective of Adversarial Transferability
Sun Yat-sen University(中山大学);Nanyang Technological University(南洋理工大学)
本文从对抗迁移性视角研究替代模型性质对潜在扩散模型对抗样本的影响,发现选择更平滑的替代模型可显著提升基于蒙特卡洛攻击的性能,并给出理论解释。
2024-01-13 cs.CR cs.CV cs.LG
Demystifying Adversarial Robustness in Diffusion Models: Compression, Randomness, and Geometry
UT Austin(德克萨斯大学)
本研究揭秘扩散模型提升对抗鲁棒性的机制,否定纯化使样本更接近干净样本的假设,指出鲁棒性提升源于随机性引发的梯度掩码和图像空间压缩,并揭示压缩能力与鲁棒性增益的关联及理论解释,为对抗纯化系统开发提供指导。
2026-08-12 cs.AI cs.LG
Real-world Adversarial Defense against Patch Attacks based on Diffusion Model
Institute of Artificial Intelligence, Beihang University(北京航空航天大学人工智能研究院)
该研究提出基于扩散模型的DIFFender防御框架,利用对抗异常感知现象定位并修复对抗补丁,通过少样本提示微调适配任务,在多任务及真实场景中表现鲁棒,还可扩展至红外域防御。
2024-09-14 cs.AI cs.CR cs.CV
What is Adversarial Training for Diffusion Models?
Sapienza University of Rome(罗马大学);University of Bologna(博洛尼亚大学)
本文揭示了扩散模型对抗训练需保持等变性而非不变性,提出一种通过添加随机或对抗噪声无缝集成到扩散训练的方法,显著提升了模型对噪声、数据损坏及对抗攻击的鲁棒性。
2025-05-27 cs.CV cs.LG
FasterVoiceGrad: Faster One-step Diffusion-Based Voice Conversion with Adversarial Diffusion Conversion Distillation
NTT, Inc.(日本NTT公司)
针对现有扩散语音转换模型转换慢或依赖计算密集型内容编码器的问题,提出FasterVoiceGrad,通过对抗扩散转换蒸馏同时蒸馏扩散模型和内容编码器,在保持竞争力性能的同时,GPU和CPU速度分别提升6.6-6.9倍和1.8倍。
2025-08-25 cs.AI cs.LG cs.SD
Guided Diffusion-based Generation of Adversarial Objects for Real-World Monocular Depth Estimation Attacks
School of Automation and Intelligent Sensing, Institute of Medical Robotics, Shanghai Jiao Tong University(自动化与智能感知学院、医疗机器人研究院、上海交通大学)
本文提出一种无需训练的生成对抗攻击框架,通过扩散模型生成自然且场景一致的对抗性物体,以提升自动驾驶系统中单目深度估计的对抗攻击效果和实用性。
2025-12-30 cs.CV cs.RO
Embedding Hidden Adversarial Capabilities in Pre-Trained Diffusion Models
School of Mathematics, University of Edinburgh(爱丁堡大学数学学院)
该研究提出一种新攻击范式,通过微调在预训练扩散模型中嵌入隐藏对抗能力,模型生成图像与原始模型无异,但能使下游分类器高概率误分类且可定向到特定类别,揭示了生成模型的新安全风险。
2025-04-05 cs.AI cs.CR cs.LG
FastVoiceGrad: One-step Diffusion-Based Voice Conversion with Adversarial Conditional Diffusion Distillation
NTT Corporation(NTT公司)
本文提出 FastVoiceGrad,通过对抗条件扩散蒸馏将多步扩散语音转换压缩为一步推理,在保持语音质量和说话人相似度的同时显著提升推理速度。
2024-09-03 cs.AI cs.LG cs.SD
Adversarially Robust Industrial Anomaly Detection Through Diffusion Model
The Pennsylvania State University(宾夕法尼亚州立大学)
针对扩散净化会削弱异常信号的问题,提出 AdvRAD,让扩散模型同时承担异常检测与对抗净化,并支持 l2 扰动认证鲁棒性。
2024-08-09 cs.CV cs.LG
Robust Classification via a Single Diffusion Model
Tsinghua University(清华大学);Beijing Institute of Technology(北京理工大学);RealAI
针对现有扩散模型相关对抗防御方法的局限,提出鲁棒扩散分类器RDC,结合多头扩散骨干与高效采样策略,在CIFAR-10上的自适应攻击鲁棒准确率超越此前最优对抗训练模型,展现生成式分类器的对抗鲁棒性潜力。
2024-05-21 cs.CR cs.CV cs.LG
Adversarial Purification for Data-Driven Power System Event Classifiers with Diffusion Models
University of California, Riverside(加州大学河滨分校);Pacific Northwest National Laboratory(太平洋西北国家实验室)
针对机器学习电力系统事件分类器易受对抗攻击的问题,提出基于扩散模型的对抗净化方法,通过注入噪声并利用预训练网络去除扰动,提升分类器在攻击下的准确率并满足实时性要求。
2023-11-13 cs.CR cs.LG cs.SY
Boosting Imperceptibility of Stable Diffusion-based Adversarial Examples Generation with Momentum
Fordham University(福特汉姆大学);Google(谷歌公司);Florida International University(佛罗里达国际大学);Rensselaer Polytechnic Institute(伦斯勒理工学院);Cisco Research(思科研究院)
提出SD-MIAE框架,利用Stable Diffusion操纵token嵌入并引入动量优化对抗扰动,在保持视觉不可感知性和语义相似性的同时,将误分类率提升至79%,较SOTA提高35%。
2024-10-17 cs.CV cs.LG
Improving Adversarial Energy-Based Model via Diffusion Process
vivo Mobile Communication Co., Ltd(维沃移动通信有限公司);Stevens Institute of Technology(史蒂文斯理工学院);Technical University of Denmark(丹麦技术大学)
本文将能量模型嵌入扩散去噪步骤,并结合对称Jeffrey散度与变分后验分布改进对抗能量模型的训练,在提升生成质量的同时支持高效密度估计。
2024-06-08 cs.CV cs.LG
DIFFender: Diffusion-Based Adversarial Defense against Patch Attacks
Institute of Artificial Intelligence, Beihang University(北京航空航天大学人工智能学院);Tsinghua-Bosch Joint ML Center, Tsinghua University(清华大学-博世联合机器学习中心);Hangzhou Innovation Institute, Beihang University(北京航空航天大学杭州创新研究院);Zhongguancun Laboratory(中关村实验室);RealAI
DIFFender利用文本引导扩散模型,通过发现对抗性异常感知现象,在单一框架内实现补丁定位与恢复,有效防御补丁攻击,并在图像分类和人脸识别任务中展现出良好鲁棒性与泛化能力。
2024-07-17 cs.AI cs.CR cs.CV
Diffusion Adversarial Post-Training for One-Step Video Generation
ByteDance Seed(字节跳动种子)
针对扩散模型迭代生成慢、现有图像单步蒸馏方法质量下降的问题,提出带架构与流程改进及近似R1正则的扩散对抗后训练APT方法,实现单步实时生成高清视频与媲美SOTA的单步图像生成。
2025-10-01 cs.AI cs.CV cs.LG
Structure-Guided Adversarial Training of Diffusion Models
Peking University(北京大学)
针对现有扩散模型训练忽略小批次内样本结构信息的问题,提出结构引导对抗训练方法SADM,通过结构判别器与生成器的极小极大博弈学习样本流形结构,在12个数据集的图像生成等任务上刷新SOTA。
2024-03-04 cs.AI cs.CV cs.LG
DiffPAD: Denoising Diffusion-based Adversarial Patch Decontamination
RISE Research Institutes of Sweden(瑞典RISE研究机构);KTH Royal Institute of Technology(KTH皇家理工学院);CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全研究中心);Halmstad University(哈尔姆斯塔德大学)
提出DiffAD框架,利用扩散模型进行对抗补丁净化,通过超分辨率重建和图像修复技术实现最先进的对抗鲁棒性。
2024-11-14 cs.CV cs.LG
AdvLogo: Adversarial Patch Attack against Object Detectors based on Diffusion Models
Beijing Normal University(北京师范大学);Tsinghua University(清华大学);Northeastern University(东北大学)
针对目标检测器对抗补丁攻击中攻击有效性与视觉质量难以平衡的问题,提出基于扩散模型语义的AdvLogo框架,通过在最后时间步扰动潜在变量和无条件嵌入并利用傅里叶变换在频域施加扰动,实现了强攻击性能与高视觉质量的兼顾。
2025-03-03 cs.CV cs.LG
Adversarial Example Does Good: Preventing Painting Imitation from Diffusion Models via Adversarial Examples
Shanghai Jiao Tong University(上海交通大学);cheer4creativity.ai;Queen’s University Belfast(贝尔法斯特女王大学);NYU(纽约大学)
针对扩散模型未经授权模仿绘画风格的版权问题,本文提出AdvDM算法,通过在反向过程潜变量上优化并进行蒙特卡洛估计生成对抗样本,有效阻止DM提取艺术图像特征。
2023-06-06 cs.AI cs.CR cs.CV
AdvAnchor: Enhancing Diffusion Model Unlearning with Adversarial Anchors
本文提出AdvAnchor方法,通过生成与不良概念嵌入相似但排除其定义属性的对抗性锚点,在扩散模型遗忘中缓解消除不良概念与保留其他概念之间的性能权衡,实验表明其优于现有方法。
2024-12-28 cs.AI cs.CL cs.LG
Semantic Adversarial Attacks via Diffusion Models
Drexel University(德雷塞尔大学);University of Wisconsin Madison(威斯康星大学麦迪逊分校)
本文提出一种利用扩散模型潜在空间快速生成语义对抗攻击的框架,包含ST和LM两种变体,在CelebA-HQ和AFHQ数据集上实现约100%攻击成功率且保持高保真度。
2023-09-14 cs.AI cs.CR cs.CV
Why Adversarial Interaction Creates Non-Homogeneous Patterns: A Pseudo-Reaction-Diffusion Model for Turing Instability
在图灵开创性的反应扩散(RD)模型之后很久,他的基本方程的优雅减轻了围绕图案形成的怀疑。尽管图灵模型是一种简化和理想化的模型,但它是解释自然界中观察到的模式的最著名的理论模型之一。多年来,人们一直在努力调整理论模型来解释真实系统中的模式。在确定RD系统的具体动态方面的明显困难使得这个问题特别具有挑战性。有趣的是,我们在一个具有对抗性交互的神经元系统中观察到了类似图灵的模式。在这项研究中,我们建立了图灵不稳定性的参与,以创建这样的模式。通过理论和实验研究,我们提出了一个伪反应-扩散模型来解释这些现象的机理。虽然监督学习达到同质均衡,本文认为,引入对手有助于打破这种同质性,创造非同质模式的平衡。此外,我们证明了即使在对抗性相互作用下,具有过度参数化的随机初始化梯度下降也可以指数快速收敛到$ε$稳定点。此外,与单独监督不同,我们证明了在对抗交互下获得的解不限于初始化周围的一个微小子空间。
2020-12-08 cs.CV cs.LG stat.ML
Learning Differentially Private Diffusion Models via Stochastic Adversarial Distillation
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院)
针对隐私敏感领域数据受限导致生成图像质量不佳的问题,提出DP-SAD方法,通过随机对抗蒸馏训练差分隐私扩散模型,利用教师-学生蒸馏加噪和判别器对抗训练,有效提升了脱敏数据生成质量。
2024-08-27 cs.CR cs.CV cs.LG
Defending against Adversarial Audio via Diffusion Model
Arizona State University(亚利桑那州立大学);Shanghai Jiao Tong University(上海交通大学);NVIDIA(英伟达)
近年来,深度学习模型已广泛用于商业声学系统中。然而,对抗性音频示例可能会导致这些声学系统的异常行为,同时人类很难感知。已经提出了各种方法,例如基于变换的防御和对抗训练,以保护声学系统免受对抗攻击,但是它们对自适应攻击的效果较差。此外,由于音频数据的独特属性,直接从图像域应用方法可能导致次优结果。在本文中,我们提出了一个基于对抗净化的防御管道,AudioPure,通过现成的扩散模型声学系统。利用扩散模型强大的生成能力,AudioPure首先在对抗音频中添加少量噪声,然后运行反向采样步骤来净化噪声音频并恢复干净的音频。AudioPure是一种即插即用的方法,可以直接应用于任何预训练的分类器,而无需任何微调或重新训练。我们在语音命令识别任务上进行了广泛的实验,以评估AudioPure的鲁棒性。我们的方法是有效的对抗不同的对抗攻击(例如$\mathcal{L}_2$或$\mathcal{L}_\infty$ -norm)。该方法在强自适应白盒和黑盒攻击下的性能优于现有的方法,这些攻击由$\mathcal{L}_2$或$\mathcal{L}_\infty$ -范数约束(鲁棒准确率高达+20\%)。此外,我们还评估了证明的鲁棒性的扰动有界的$\mathcal{L}_2$ -范数通过随机平滑。我们的管道实现了比基线更高的认证精度。
2023-03-02 cs.CR cs.LG cs.SD
Diffusion-Weighted Magnetic Resonance Brain Images Generation with Generative Adversarial Networks and Variational Autoencoders: A Comparison Study
ETH Zurich(苏黎世联邦理工学院);University of Zurich(苏黎世大学);Stanford University(斯坦福大学);Stanford Stroke Center(斯坦福中风中心);Institute for Biomedical Engineering(生物医学工程研究所)
我们表明,高质量,多样化和逼真的扩散加权磁共振图像可以使用深生成模型合成。基于专业神经放射学家的评价和不同的指标,就所生成的合成脑图像的质量和多样性,我们提出了两个网络,内省变分自编码器和基于样式的GAN,有资格在医疗领域的数据增强,其中信息被保存在一个调度和不均匀的方式和访问它是在许多方面受到限制。
2020-06-24 cs.CV cs.LG eess.IV
Physical Adversarial Textures that Fool Visual Object Tracking
Element AI
我们提出了一个系统,用于生成不显眼的纹理,当显示在物理世界中的数字或印刷海报,导致视觉对象跟踪系统变得混乱。例如,当机器人的摄像机跟踪的目标在这样的海报前面移动时,我们生成的纹理使跟踪器锁定它并允许目标躲避。这项工作的目的是欺骗很少有针对性的回归任务,特别是比较不同的优化策略:非有针对性的,有针对性的,和一个新的家庭的指导对抗损失。虽然我们使用期望转换(EOT)算法来生成在不同条件下成像时欺骗跟踪模型的物理对手,但我们比较了不同条件变量(包括视点,照明和外观)的影响,以找到具有高对抗强度和收敛速度的实际攻击设置。我们进一步展示了仅使用模拟场景优化的纹理可能会混淆真实世界的跟踪系统。
2019-09-15 cs.CV cs.LG cs.RO
Adversarial Search and Tracking with Multiagent Reinforcement Learning in Sparsely Observable Environment
Institute of Robotics and Intelligent Machines (IRIM), Georgia Institute of Technology(佐治亚理工学院机器人与智能机器研究所(IRIM))
针对稀疏可观测环境中对抗性逃避智能体的搜索与跟踪难题,提出结合可学习过滤模型估计对手位置的多智能体强化学习(MARL)框架,使探测率提升46%并超越所有基线方法。
2023-10-21 cs.AI cs.LG cs.RO
Online Submodular Coordination with Bounded Tracking Regret: Theory, Algorithm, and Applications to Multi-Robot Coordination
University of Michigan(密歇根大学)
我们在不可预测的环境中实现高效和有效的协调,即,在其未来的进化是未知的先验,甚至对抗性的环境中。我们的动机是未来的自主性,涉及多个机器人在动态,非结构化和对抗性环境中协调,以完成复杂的任务,如目标跟踪,环境测绘和区域监控。这些任务通常被建模为子模块最大化协调问题。我们介绍了第一个有界跟踪遗憾的子模块协调算法,即,关于先验知道未来的最优时变行动具有有界次优性。边界随着环境的能力而优雅地退化。它还量化了机器人必须重新选择动作以“学习”协调的频率,就好像它们先验地知道未来一样。该算法要求机器人根据序列中先前机器人选择的动作顺序地选择动作。特别是,该算法将Fisher等人的开创性的顺序贪婪算法推广到不可预测的环境中,利用子模块和算法来跟踪最佳专家。我们在目标跟踪的模拟场景中验证了我们的算法。
2023-02-19 cs.AI cs.MA cs.RO
Reliability Validation of Learning Enabled Vehicle Tracking
University of Liverpool(利物浦大学);Defence Science and Technology Laboratory (Dstl)(国防科学技术实验室);Queen’s University Belfast(贝尔法斯特女王大学)
本文研究了一个真实世界的学习系统的可靠性,该系统基于高分辨率广域运动图像输入进行动态车辆跟踪。该系统由多个神经网络组件(用于处理图像输入)和多个符号(卡尔曼滤波器)组件(用于分析车辆跟踪的处理信息)组成。众所周知,神经网络遭受对抗性的例子,这使得它们缺乏鲁棒性。然而,目前还不清楚学习组件上的对抗性示例是否以及如何影响整个系统级的可靠性。通过将覆盖引导的神经网络测试工具DeepConcolic与车辆跟踪系统集成,我们发现:(1)由于其他组件的存在,整个系统可以对一些对抗性示例进行恢复,以及(2)整个系统呈现出额外的不确定性,这无法仅通过分析深度学习组件来确定。这项研究表明,需要新的验证和确认方法的学习使能系统。
2020-02-06 cs.CV cs.RO
LDTrack: Dynamic People Tracking by Service Robots using Diffusion Models
针对机器人跟踪动态人员的难题,提出基于条件潜在扩散模型的LDTrack架构,通过时空特征提取与细化,在拥挤环境中显著提升跟踪精度与准确性。
2024-11-06 cs.CV cs.RO
MATT-Diff: Multimodal Active Target Tracking by Diffusion Policy
Department of Computer Science and Systems Engineering, Kobe University(神户大学计算机科学与系统工程系);Department of Electrical and Computer Engineering, University of California San Diego(加州大学圣地亚哥分校电子与计算机工程系)
本文提出MATT-Diff,一种基于扩散策略的多模态主动多目标跟踪控制策略,通过视觉Transformer和注意力机制实现多目标跟踪与再获取。
2026-04-21 cs.RO